黄 建,陈陆平,朱 晨

（比亚迪汽车工业有限公司,广东 深圳 518118）

0 引言

在全球能源供应趋紧、化石燃料价格上涨的背景之下，为了应对该轮全球能源危机的冲击，中国一直在积极推进布局新能源汽车以及新型储能系统产业。现如今，锂离子电池广泛应用于新能源电动车辆以及新型电化学储能系统中，大量串并联的电池单体需要利用电池管理系统实现数据采集、状态监测、充电管理、均衡控制、温度管控等重要功能，以实现更高效且安全的能量存储以及能量输出。随着大数据云平台及人工智能技术的高速进步，电池管理系统的整体架构也在不断发展。

1 动力电池区块链技术

1.1 区块链与去中心化账本系统

自2008 年Satoshi Nakamoto 建立了全球第一个区块链系统——比特币以来，此类加密的数字货币实现了完全的去中心化，即点对点的交易而无需第三方介入。比特币的爆发也促成了区块链系统的迅速发展。区块链本质上是一种可分布在多个位置的分布式数据集的P2P 网络[1]，其中的去中心化账本的每个变化情况都会在网络上的所有副本中反映。也就是说，一旦某个用户提交了变更情况，必须经过整个网络的验证与审批，才可以实现将变更添加到去中心化账本中。信息的变更一旦完成，就不可被任何用户更改。

区块链中各区块通过链（加密散列函数）连接，数据仅可通过挖矿/共识算法以区块的形式增加。在周期性的挖矿行为中，矿工是一类参与挖矿过程的网络参与者。矿工在一致算法的约束下计算生成新块的相应散列。一旦创建了该散列，新的块便会被添加到链中，并将生成的散列传至所有区块网络节点，每个节点均需要验证该结果。如果通过了整个网络节点的验证，该区块便会被添加至区块链数据库。此后，任何记录篡改都将对该区块无效，因为存在其他多个节点的支撑维护，保证了数据的稳定性与安全性，这也使得区块链成为通信技术领域中最安全的分布式系统架构之一。

1.2 电池区块链平台应用

区块链技术由于其高度的数据安全性以及去中心化分布式架构，可以广泛应用一切基于海量数据支撑，但现存为中心化账本技术的行业。

锂离子电池现在大规模应用于电动汽车以及储能系统。但由于锂电池中使用的关键材料中的钴和锂仅在少数几个国家开采，可能会对供应链和应用市场方面提出一定的挑战。随着需求的日益增长，电动汽车、电力电网中的大规模应用可能会因价格上涨而受限。大量的因寿命结束而退役的电池，出于环保角度，需要考虑在“逆向供应链”中收集、拆卸以回收有用和有价值的材料和能源。因此，梯级利用这一概念应运而生。

区块链技术为电池的梯次利用提供了一种可行方案。事实上，区块链技术已经被认为可在电力能源领域广泛应用，Alexandra[2]等人针对用户间的点对点的电力交易，提出P2P 系统可以结合区块链技术来跟踪交易电量，并拥有透明的自动结算系统。Mhaisen[3]等人提出了一种基于智能合约的分布式基站系统控制方法，并将其部署在电池储能系统节点的分布式网络上。电池系统由于其存储的灵活性以及数据平台系统，可以基于区块链技术建立电池自生产线一直到用户使用层的全寿命周期的数据存储链[4]。

Wang[5]等人提出使用射频识别设备作为信息追溯的媒介，每个电池被分配一个唯一的射频识别标签，包含电池的生产信息以及使用信息。生产商通过平台接口将电池静态生产数据写入区块，物流商也将物流信息写入区块，卖方将这些信息作为销售信息。用户同样可以扫描获取电池信息，并在使用过程中自动上传电池使用以及状态信息。传统的评估体系是以第三方收购机构为核心，掌握了对数据绝对的控制权。若有来自其他方的利益驱使，就可能对电池的使用数据进行恶意的篡改，极大地损害消费者的利益并严重打击多方的信任度。基于区块链的电池数据存储，保证了所有节点的地位对等以及数据的一致性。系统可以溯源，数据的篡改需要受到整个网络的验证[6]。如果电池产品存在安全隐患，厂商也可以通过溯源缺陷产品的源头，并对同一批次的缺陷产品的分布进行追踪定位，显著提高产品召回的效率。

2 电池技术与人工智能融合应用

2.1 基于数据驱动的材料体系筛选

随着电动汽车市场的扩大，安全性逐渐成为用户选购电动汽车的重要指标。其中动力电池的安全性对电动汽车安全起决定性作用。现在市场上的锂离子电池基本是液态电解质，由溶解在有机溶剂中的锂盐组成。液态离子电导率高，电池输出能力强，但可燃性较高，存在一定安全隐患。而非易燃固态电解质可以显著提高电池的安全性以及能量密度，但较低的离子电导率成为限制其应用的主要原因。已知的含锂化合物可达上万种，甚至很多都还未经测试，这对固态电解质的选择提出了挑战。Harada[7]等人对Li1+x+2yZr2-x-yYxCay(PO4)3中CaO 与Y2O3的组成进行了优化，实验合成了49 种固态电解质化合物。实验结果表明离子电导率、相稳定性与相对密度间的成分相关性极其复杂，使用实验以及人工筛选最优组成非常困难。利用贝叶斯优化方法搜索最佳成分，可加速确定优化成分。Sendek[8]等人提出对含锂结晶固体的大规模计算筛选方法。首先筛选出具有稳定化学结构性能、低成本的含锂固体的12 831 种材料，再基于数据驱动的方法，利用逻辑回归开发一个预测模型以及设置若干置信度标准，可将候选材料减少到21 个。为了不对离子电导率产生影响，多晶样品的粒度需要进行表征，进而提出了基于数据驱动的超离子分类模型。现在已经广泛使用高通量计算、开放量子材料数据库来发现新材料，涵盖电解质以及电极。最初的目标是筛选，但这些数据库也为针对电池性能机器学习提供了帮助。

2.2 基于深度学习的电池算法

电池模型的建立是电池管理系统开发的前提，对于电池的状态估计、均衡控制、故障诊断等相当重要。锂离子电池模型中最为典型的就是等效电路模型、电化学模型以及数据驱动模型。等效电路模型简单，适合实时系统使用，但缺乏物理意义，难以反映电池运行过程中老化、失效等特征。电化学模型由非线性的偏微分方程描述，计算复杂，难以实际应用。如果考虑到电池的老化机制，二者均难以适用，如何将与老化相关的密度泛函理论、分子动力学整合入这类模型也是一大难题。如果希望能基于大量历史测量数据来预测未来的电池的电行为，往往会采用数据驱动的方法，创建出模型往往也被称作黑箱模型。此类模型没有物化原理支持，仅考虑输入参数与输出参数之间的映射关系。

Attia[9]等人开发了一种机器学习方法，生成基于六步、十分钟快速充电协议，从而最大限度地延长电池循环寿命。电池的老化预测是电池梯次利用的一大难题，Li[10]等人从分解的容量增量曲线提取电池老化特征生成训练集，利用基于数据驱动的支持向量回归技术，建立电池的老化模型。杨杰君[11]等人使用具有在线学习能力的OSELM 建立SOC 估计模型，采用分阶段式学习，可在训练完毕舍弃训练样本，显著提高模型的泛化能力。模型也可自适应变化的信息流并及时学习电池运行时测量出的最新样本。

但机器学习模型不是全能的，其本身容易出现过拟合，且泛用性有限。而且由于过程缺乏物理化学意义，数据可信度无理论支持。如果将物理化学原理融入机器学习模型将有助于开发更易于解释的模型。模型的训练过程也可进一步优化，对于已有的训练好的模型，当执行额外的模拟时，可被添加到数据库并且重新训练机器学习模型。这种主动学习的循环可以显著减少所需的模拟次数。

3 学科融合下的全新电池平台

3.1 物联网与云数据平台

当涉及基于数据的全生命周期预测、电池参数更新与系统策略优化等功能，传统BMS 的中嵌入式系统计算能力有限的问题便显露出来。BMS 使用的先进传感器以及有线通信网络会导致关键线束问题，例如物理连接失败、电磁干扰下的通信失败等。随着BMS 功能模块的增加，整个系统成本也会极大增加。

为了解决这些问题，部分学者提出可以利用云端数据平台与传统BMS 系统相结合的方式，图1 为一种基于无线物联网模块以及云数据平台的云端电池管理系统。利用数据采集模块获取动力电池的电压、电流、温度等数据。数据在给定的采样周期内完成采集，并临时存储至物联网模块中的通信组件中，用户可以将通信组件中数据通过物联网网关、基于TCP/IP 协议传至云数据管理平台的云存储器中，物联网组件几乎只保留对电池的均衡控制以及安全保护的功能。电池的云数据平台包含云数据存储器、数据分析模块、模型算法模块以及用户界面的可视化模块。云数据存储器通过互联网接收来自物联网组件上传的数据，可对数据进行分类管理，并通过加密措施保护数据安全性。数据分析模块集成了高性能并行计算、电池数据挖掘、机器学习等功能。模型算法模块包含了现已经广泛应用的一些电池模型算法以及控制策略，利用存储器中数据实现实时计算。最后，部分监测数据以及状态结果利用GUI 实现可视化，更加便于用户理解。相对于传统BMS 系统，这类云端BMS 管理系统由于在车载端的硬件结构大为简化，计算处理与数据存储移交云平台处理，成本大幅度地降低。

图1 物联网与云数据平台架构

3.2 维度扩展的数据测量平台

当涉及电池电化学机理，传统的传感器便难以应对。诸多学者提出了一些方法，可穿透电池外壳，显示出电池内部电化学变化与结构变化。但值得注意的是，这些反映电池壳体内部信息的方法产生的数据量巨大，甚至可能是二维图像数据。传统BMS 根本无法处理这些数据，且缺乏足够的量化手段，因此暂时难以应用于实际。但随着大数据与云平台的广泛应用，这些数据也可以在云端进行计算处理。

郭银磊[12]利用X 射线发生器产生X 射线穿透电池构建层析图像。X 射线强度数据经过模数转换后得到反映电池内部结构的数据，可以构建电池的层析结构图像。谢宗轩[13]利用正负极强弱活性物质在层析图像中的零阶矩作为基于数据驱动的电池循环寿命预测的形态修正系数，改善了仅考虑大量单一电性能数据的寿命衰减预测的精度。此外，超声波已经广泛应用于无损检测领域，可反映石墨极片片层的填充状态与电池内部气体鼓包。利用这一敏感性，马广廷[14]使用一定频率超声波以及保持超声探头不变的条件，表明电池的SOC 与超声信号的峰值强度存在较为稳定的递增关系。

随着越来越多的传感器元件以及监测仪器将被集成到车用板载BMS 上，甚至电池可能自生产阶段便会集成这些传感器接口。数据量以及数据维度的扩张对BMS 采集与数据处理模块提出了挑战，这可能在未来需要与高效的无线物联网模块协同配合。

4 结语

高通量计算、开放量子材料数据库目前已经被广泛使用于发现新材料。这些数据库也为针对电池算法的机器学习提供了帮助。基于无线物联网模块的电池管理系统可将采集数据上传至云存储器建立电池数据库，集成在云端电池管理系统的机器学习与人工智能算法利用数据来执行运算。区块链技术则为电池数据安全性提供了充足的保障。